Toutes les news taguées avec ce sujet.
Des chercheurs proposent un cadre théorique et un nouvel optimiseur pour lutter contre la perte de plasticité des réseaux de neurones en apprentissage continu.
Une approche basée sur des surrogates différentiables élimine les itérations coûteuses dans l'exploration de l'espace de conception pour l'intégrité du signal haute vitesse.
Un développeur explore concrètement les embeddings visuels, leurs usages et leurs limites dans des projets réels.
Une nouvelle méthode combine réseaux profonds et contraintes algébriques exactes pour linéariser les dynamiques non linéaires complexes.
PyTorch publie une analyse technique détaillée sur les mécanismes de fragmentation mémoire dans son allocateur CUDA, un problème critique pour l'entraînement de modèles.
Une vue d'ensemble interactive de tous les projets, outils et bibliothèques gravitant autour de PyTorch.
QSurv propose un framework deep learning pour la modélisation de survie en temps continu, sans discrétisation temporelle ni hypothèse distributionnelle restrictive.
Un dépôt GitHub recense les meilleurs ouvrages pour apprendre et maîtriser la programmation GPU avec CUDA.
Noah Golmant refond entièrement pytorch-hessian-eigenthings, sa lib de calcul des valeurs propres de la Hessienne pour PyTorch, huit ans après sa création.
Un chercheur publie un jeu de données complet sur les affiliations des auteurs acceptés à l'ICLR 2026, révélant les dynamiques entre universités et labs.